Qué pasó
- Los creadores de Phonon, un modelo pequeño de texto a voz que funciona dentro del propio dispositivo, publicaron el 5 de noviembre de 2026 en el blog de Hugging Face un balance de su lanzamiento, ocurrido dos semanas antes.
- Viene en dos tamaños, de cerca de 65 MB y 75 MB. Entre ambos hablan inglés, francés, alemán, español y portugués, con más de 100 voces incluidas.
- Funciona en teléfonos, notebooks, computadores de placa única y pestañas de navegador. No necesita servidor ni red, de modo que el texto no sale del aparato.
- Phonon 31m, solo en inglés, usa licencia Apache 2.0 y admite uso comercial. Phonon 40m cubre los cinco idiomas con una licencia no comercial; para usos comerciales, el precio depende del número de usuarios.
Por qué importa
- La mayoría de la voz con IA vive en la nube y cada frase hace un viaje de ida y vuelta a un servidor. Correr en el aparato evita ese viaje y cuida lo que se escribe.
- El español aparece en la cabecera de un modelo de este tamaño, algo útil para aplicaciones en América Latina con conectividad irregular.
- Los creadores reconocen el dilema de siempre: un modelo chico solía sonar mal, y uno que sonaba bien no cabía.
El dato
200.000 descargas. Es lo que Phonon superó en sus primeras dos semanas en Hugging Face. Según sus creadores, en inteligibilidad queda primero en alemán y español, y entre los tres primeros en cada idioma evaluado, junto a modelos hasta 100 veces más grandes.
Contexto
La comparación viene de la Open TTS Leaderboard, una tabla reciente de Hugging Face que evalúa modelos abiertos en 23 idiomas por inteligibilidad, velocidad y naturalidad, sobre un universo de más de 9.000 modelos de voz en esa plataforma. Conviene notar que el balance lo escriben los propios autores del modelo y que no se revisó la tabla por separado.
Phonon pertenece al linaje Pocket TTS y usa una técnica llamada flow matching para generar audio, distinta de la de otros sistemas. Según el equipo, el entrenamiento fue al comienzo numéricamente inestable. También construyeron ptts, un motor propio con más de 10 opciones de ejecución en CPU, GPU y NPU.
En Mamífero hemos seguido los modelos de voz. Contamos que Nvidia publicó Nemotron 3.5 Transcribe y que Block presentó Dessa, un modelo de voz entrenado solo con audio. También que Recursive sacó Flint para correr código en un notebook y que A5 propone un asistente de escritorio que recuerda el contexto.
Qué viene
- Desarrolladores ya lo llevan a otros entornos, como navegadores y aplicaciones de Node.js.
- Sus demostraciones incluyen un Apple Watch sin Wi-Fi que guía la preparación de un café.
- La evaluación independiente de calidad en español será la prueba siguiente.
Cierre
Lo interesante no es otra voz sintética, sino dónde corre. Si cabe en un reloj y se entiende en español, deja de depender de una conexión para hablar.
Fuentes
- Equipo de Phonon, “A Closer Look at Phonon TTS”, blog de Hugging Face, 5 de noviembre de 2026, enlace. Las posiciones en la tabla las informan los autores.
- Imagen de portada: Raysonho @ Open Grid Scheduler / Grid Engine, CC0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
